AAAI 2026 Oral | 给多流数据配「私教+外援」，漂移来了也不慌

本文作者为：En Yu, Jie Lu, Kun Wang, Xiaoyu Yang, Guangquan Zhang。所有作者均来自于悉尼科技大学（UTS）澳大利亚人工智能研究院（AAII）。 在智慧城市、社交媒体、工业物联网等真实开放动态环境中，数据往往以多流（Multistream）形式并发产生。然而，现实世界并非完美的实验室，这些数据流往往 存在异构性，且分布变化各不相同，伴随着复杂的异步概念漂移。 如何让模型既能 "专精" 于单一流的特性，又能 "博采众长" 利用流间相关性，同时还能自适应分布变化？ 悉尼科技大学（UTS）研究团队提出了一种全新的 漂移感知协作辅助混合专家学习框架 —— CAMEL (Collaborative Assistance Mixture of Experts Learning)。 CAMEL 巧妙地将混合专家模型（MoE）引入流式学习，通过 "私有专家" 与 "辅助专家" 的协作机制，以及自动化专家生命周期管理，完美解决了异构多流学习中 的关键问题。该工作已被 AAAI 2026 接收为 Oral 论文。 01 引言 在真实应用场景中，数据通常以连续且无限的数据流形式产生 ...